II.2Создание и понимание программного кода

DeepCoder-14B-Preview-GGUF — это набор GGUF-квантизаций языковой модели DeepCoder-14B-Preview, разработанной agentica-org и подготовленной quantized_by bartowski с использованием llama.cpp. Модель предназначена для генерации текста и, прежде всего, для задач программирования, включая решение проверяемых задач, генерацию кода и сценарии локального запуска через LM Studio, llama.cpp и совместимые проекты. В состав входят варианты от bf16 до Q3 и IQ3/IQ4-квантизаций размером примерно от 6,9 до 29,6 ГБ. Доступен ряд уровней качества и требований к памяти: версии Q6_K_L и Q6_K заявлены как близкие к исходному качеству, Q4_K_M — как вариант по умолчанию для большинства сценариев, а младшие квантизации подходят для систем с ограниченным объёмом RAM, но снижают качество. Указан английский язык; архитектура и размер контекста в README не раскрыты. Рекомендуемый формат промпта приведён в документации модели. Модель удобна для локального инференса благодаря формату GGUF и большому выбору квантизаций, однако качество и требования к ресурсам зависят от выбранного файла. README не содержит подробностей о сильных и слабых сторонах исходной модели, результатах оценки, поддерживаемых модальностях или ограничениях применения. Распространение указано по лицензии MIT.

Карточка модели jondurbin/airoboros-33b-gpt4-2.0 на Hugging Face совпадает с карточкой jondurbin/airoboros-65b-gpt4-2.0, поэтому описание составлено по ней. airoboros-65b-gpt4-2.0 — плотная языковая модель семейства LLaMA на 65 млрд параметров, дообученная jondurbin для следования инструкциям на синтетических примерах, созданных GPT-4. Серия 2.0 использует данные GPT-4 версии 0614; вариант m2.0 дополнительно объединяет набор данных 1.4.1 без дубликатов и категории system. Модель предназначена для диалоговых ответов, вопросов по предоставленному контексту, программирования, построения планов и генерации структурированных аргументов функций в JSON или YAML. Для диалога используется текстовый шаблон с ролями USER и ASSISTANT; заявленная длина контекста — 2048 токенов. В README для моделей 65B отмечено QLoRA-дообучение. Это текстовая модель, и качество её ответов не гарантирует точность: карточка рекомендует явно просить не придумывать ответ при недостатке данных. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование; коммерческое использование запрещено.

airoboros-33b-gpt4-m2.0 — плотная авторегрессионная языковая модель семейства LLaMA с 32,3 млрд параметров, созданная Джоном Дурбином как дообучение с инструкциями на синтетических примерах Airoboros. Версия m2.0 объединяет набор данных версии 1.4.1 с данными серии 2.0 без дубликатов и категории system; данные серии 2.0 были сгенерированы GPT-4 от 14 июня 2023 года. Модель работает с текстом и предназначена для диалогов и выполнения инструкций. Модель подходит для ответов на вопросы по заданному контексту, помощи с программированием, планирования действий с инструментами и генерации структурированных ответов в JSON или YAML. Для контекстных вопросов README рекомендует явно размечать блоки входных данных и инструкций; автор также предупреждает, что модель может выдумывать ответы, если контекст не содержит нужной информации. Формат диалога использует префикс USER/ASSISTANT и системное описание помощника. Указанное в метаданных ограничение контекста — 2048 токенов. Для версии на 33 млрд параметров README сообщает о QLoRA-дообучении и исследовательском, некоммерческом назначении. Лицензия репозитория — CC BY-NC 4.0, поэтому коммерческое использование не допускается по указанным условиям.

airoboros-65b-gpt4-2.0 — плотная языковая модель семейства LLaMA на 65 млрд параметров, дообученная jondurbin для следования инструкциям на синтетических примерах, созданных GPT-4. Серия 2.0 использует данные GPT-4 версии 0614; вариант m2.0 дополнительно объединяет набор данных 1.4.1 без дубликатов и категории system. Модель предназначена для диалоговых ответов, вопросов по предоставленному контексту, программирования, построения планов и генерации структурированных аргументов функций в JSON или YAML. Для диалога используется текстовый шаблон с ролями USER и ASSISTANT; заявленная длина контекста — 2048 токенов. В README для моделей 65B отмечено QLoRA-дообучение. Это текстовая модель, и качество её ответов не гарантирует точность: карточка рекомендует явно просить не придумывать ответ при недостатке данных. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование; коммерческое использование запрещено.

Карточка модели jondurbin/airoboros-l2-70b-gpt4-m2.0 на Hugging Face совпадает с карточкой jondurbin/airoboros-65b-gpt4-m2.0, поэтому описание составлено по ней. airoboros-65b-gpt4-m2.0 — плотная авторегрессионная модель семейства LLaMA на 65 млрд параметров, разработанная Jon Durbin и дообученная для следования инструкциям на синтетических данных Airoboros. Версия m2.0 объединяет данные набора 1.4.1 без дубликатов и категории system с данными GPT-4, созданными на основе версии от июня 2023 года; исходная серия также включала данные GPT-4 от марта 2023 года. Модель предназначена для диалога и генерации текста по инструкциям: ответов на вопросы по предоставленному контексту, помощи с программированием, планирования шагов для задач с инструментами и генерации аргументов функций в JSON или YAML. Для общения используется текстовый шаблон с ролями USER и ASSISTANT. Контекст составляет 2048 токенов. Модель обучена с QLoRA; README отмечает, что варианты 65B основаны на оригинальной LLaMA, а не Llama 2. Карточка описывает модель как дающую подробные ответы, ориентированную на использование контекста в закрытых вопросах и включающую примеры планирования и вызова функций. Возможны галлюцинации, особенно если запрос не содержит достаточных сведений; для вопросов по контексту автор рекомендует явно просить не придумывать ответ. Модель выпускается по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства и ограничивающей коммерческое применение.

ALIO-SQL-7B — дообученная Alio Leuchtmann модель Qwen2.5-Coder-7B-Instruct для преобразования вопросов на естественном языке в SQL-запросы. Она обучена на объединении наборов BIRD и Spider; обучающие ответы получены дистилляцией от Qwen2.5-Coder-32B и отфильтрованы по корректности. Модель предназначена для работы со схемой таблиц и дополнительными сведениями, чтобы составлять запросы к базам данных. Модель использует плотную архитектуру Qwen2 и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст; указанное окно контекста — 32 768 токенов. В карточке приведены результаты на BIRD: 57,52% точного совпадения на тестовой выборке и заявлено повышение результата на dev-наборе с 51,1% до 60%. Обучение ограничено английским языком и диалектом SQLite; для лучших результатов автор рекомендует генерацию без сэмплирования. Лицензия — Apache-2.0.

AM-Thinking-v1 — плотная языковая модель на 32 млрд параметров от a-m-team, предназначенная для рассуждений, открытого диалога, решения математических задач и генерации кода. Она построена на Qwen 2.5 32B Base и дообучена с помощью SFT и двухэтапного обучения с подкреплением GRPO. Архитектура — Qwen2, модель использует Transformers и формат safetensors; заявленная длина контекста — 131 072 токена. Модель рассчитана на сценарии, где нужны развёрнутые рассуждения и генерация текста или программного кода. По данным разработчика, она показывает высокие результаты на математических и кодовых тестах и может запускаться на одном ускорителе A100 с 80 ГБ памяти. Карточка также описывает чат-возможности, но предупреждает, что модель не обучена для структурированного вызова функций и рабочих процессов с инструментами. Разработчик — a-m-team. Лицензия — Apache-2.0. Разработчик отмечает, что следование сложным инструкциям требует улучшения, а защитное выравнивание находится на ранней стадии; для стабильного качества рекомендуется использовать системный промпт, сохранённый в конфигурации токенизатора.

Apollo-1-8B — инструкция-дообученная языковая модель, разработанная Noema Research на базе Qwen3-8B. Это плотный decoder-only трансформер примерно на 7,6 млрд параметров для генерации текста, диалога, рассуждений, выполнения инструкций и написания кода; модель поддерживает интерфейс вызова инструментов. Заявленная длина контекста — до 40 960 токенов по метаданным Hugging Face. Модель предназначена для многошагового решения задач, разговорных помощников, обучения и помощи в разработке программного обеспечения. В карточке заявлена поддержка множества языков, включая английский, русский и другие европейские и азиатские языки. Репозиторий содержит веса в формате Safetensors. В README указана лицензия anvdl-1.0, тогда как метаданные классифицируют лицензию как other. Карточка сообщает об улучшенном следовании инструкциям и рассуждениях относительно Apollo-1-4B, но полный отчет о тестировании ещё не опубликован. Модель может ошибаться, особенно в специализированных областях, чувствительна к формулировке запроса и уступает более крупным моделям на особенно сложных задачах. Для критически важных решений требуется проверка человеком.

Arche-Codium-500M — компактная модель генерации кода от OpenSynapseLabs, дообученная на базе Qwen2.5-Coder-0.5B-Instruct. Она содержит около 494 млн параметров, использует архитектуру Qwen2 и принимает текстовые инструкции и фрагменты кода, чтобы продолжать код или создавать исполняемые функции. Модель предназначена для локального запуска на CPU, Apple Silicon и маломощных GPU; заявленный контекст составляет 32 768 токенов. Основной сценарий — автодополнение и генерация Python-кода, в том числе через CLI arche-code. В README заявлен результат 16 из 20 задач HumanEval. Модель компактна и подходит для коротких функций, но хуже справляется со сложными многошаговыми задачами и крупными классами; она может обрезать вывод при малом лимите токенов и иногда галлюцинирует импорты, поэтому код следует проверять. Лицензия Apache 2.0 допускает коммерческое использование.

AReaL-boba-2-32B — языковая модель для генерации текста и диалогов, разработанная командой RL Lab исследовательской организации Ant Research в рамках проекта AReaL. Она построена на архитектуре Qwen3 и содержит 29,7 млрд параметров. Модель обучена с помощью обучения с подкреплением в асинхронной системе AReaL-boba²; базовая модель — Qwen3, точный идентификатор исходного репозитория в предоставленных данных не указан. Модель предназначена для задач рассуждения, прежде всего математических задач и программирования, а также для диалогового и агентного применения. Метаданные указывают поддержку интерфейса вызова инструментов. Контекстное окно составляет 40 960 токенов; модель работает с текстом и опубликована в формате PyTorch для Transformers. В README приведены результаты семейства AReaL-boba² на бенчмарках программирования, однако отдельные результаты для версии 32B не указаны. Модель распространяется по лицензии Apache-2.0.

AReaL-boba-2-8B-Open — открытая текстовая модель для генерации кода и решения задач программирования, представленная проектом AReaL от RL Lab, Ant Research. Это версия Qwen3-8B, обученная с помощью асинхронного обучения с подкреплением; в карточке указано 7,6 млрд параметров и контекст до 40 960 токенов. Модель поддерживает диалоговый режим и интерфейс вызова инструментов. Модель предназначена для генерации программного кода и рассуждений при решении задач программирования. В README приведены результаты на LiveCodeBench v5, Codeforces и CodeContests. Указанный для 8B версии результат LiveCodeBench v5 — 62,0, а CodeContests — 41,4. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Данные карточки не описывают поддерживаемые естественные языки и конкретные ограничения качества; результаты бенчмарков сами по себе не гарантируют точность в пользовательских проектах.

Bagel 7B v0.1 — созданная jondurbin до DPO-этапа версия Mistral-7B, дообученная на смеси инструкционных диалогов и обычного текста. Модель предназначена для генерации ответов в чате и выполнения широкого круга инструкций: от вопросов и ответов, математики и программирования до SQL, пересказа и ролевых диалогов. В обучении использованы данные из нескольких источников, включая LMSYS Chat, Natural Instructions, MathInstruct, Apps и Cinematika. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка указывает, что обучение остановили примерно на половине запланированного объёма из-за ограничений бюджета; в сравнении с вариантом после DPO эта SFT-версия менее склонна к правдивым ответам и может быть предпочтительнее для ролевых сценариев. Модель распространяется под лицензией Apache-2.0.

BagOClownCoders-slerp-7B — объединённая модель генерации текста на базе архитектуры Mistral, созданная методом SLERP с помощью mergekit из beowolx/CodeNinja-1.0-OpenChat-7B и beowolx/MistralHermes-CodePro-7B-v1. Это плотная авторегрессионная модель объёмом 7,1 млрд параметров с контекстом до 32 768 токенов; репозиторий содержит веса в формате safetensors, а использовать модель можно через Transformers. Модель предназначена для диалоговой генерации текста и задач программирования: она может помогать писать и дополнять код, а также отвечать на вопросы в чате. README подтверждает способ слияния и исходные модели; отдельные сведения о качестве, тестировании и условиях лицензии в предоставленных данных отсутствуют.

Matthieufromparis разработал bge-small-code-search-v1 — компактную плотную BERT-модель для семантического поиска по исходному коду. Она дообучена на Python-подмножестве CodeSearchNet на базе BAAI/bge-small-en-v1.5 и создаёт 384-мерные эмбеддинги текстовых запросов на естественном языке и фрагментов кода в общем пространстве. Модель рассчитана на асимметричный поиск: пользователь описывает нужную функцию, а система находит подходящие участки кода; также её можно применять для поиска документации, похожих реализаций и извлечения кода для RAG-ассистентов. В README приведены результаты оценки на 500 отложенных парах Python-кода и комментариев, однако они не гарантируют такое же качество на других данных и языках программирования. Модель содержит около 40 млн параметров, принимает текст и имеет контекстное окно 512 токенов. Лицензия — Apache 2.0.

BTL-4 Compact — текстовая GGUF-версия модели BTL-4 от Bad Theory Labs, распространяемая для запуска в llama.cpp, Ollama и LM Studio. Это квантованная модель класса Mixture of Experts, предназначенная для генерации текста, программирования, работы с технической документацией, агентных сценариев и использования инструментов. Модель поставляется одним файлом размером 9,96 ГБ и не требует загрузки или восстановления базовой модели. Модель содержит 35,1 млрд параметров, из которых около 2,1 млрд активны для каждого токена. Архитектура включает 40 слоёв: 30 слоёв с линейным вниманием и 10 слоёв с полным вниманием; в каждом слое 256 экспертов, из которых для токена выбираются 8. Нативный контекст составляет 262 144 токена. Сборка является текстовой: vision tower исключён. Слой multi-token prediction отключён, но это не мешает обычной работе модели. Главное преимущество BTL-4 Compact — сочетание большого общего числа параметров с относительно низкими вычислительными затратами и возможностью запуска на пользовательском оборудовании. Квантование выполнено с эффективностью 2,30 бита на вес; заявленное сохранение измеренного поведения полной модели составляет 94,1% на тесте из 118 заданий. Ограничения включают потерю качества из-за сильного квантования, отсутствие обработки изображений и чувствительность агентных сценариев к настройкам шаблона чата и формата рассуждений. Для корректной работы требуется версия llama.cpp с поддержкой qwen3_5_moe и определённые параметры запуска. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

CADD-Base-7B — языковая модель для генерации кода на основе дискретной диффузии с маскированными токенами, разработанная Apple. Метод Continuously Augmented Discrete Diffusion (CADD) добавляет к представлениям замаскированных токенов непрерывный сигнал flow matching, который направляет процесс пошагового восстановления текста. Для генерации можно выбрать способ оценки чистого представления и стратегию раскрытия токенов; доступны варианты argmax и weighted, а также entropy, origin, maskgit_plus и topk_margin. Модель содержит 7,1 млрд параметров, использует архитектуру Dream и принимает текст для генерации кода. Она создана на основе Qwen/Qwen2.5-Coder-7B-Instruct и дообучена с методом CADD. В метаданных указан контекст до 131 072 токенов. Репозиторий содержит веса safetensors. Лицензия — apple-amlr; перед использованием следует проверить её условия, особенно применительно к коммерческому использованию.

Calcium-Opus-14B-Elite2 — языковая модель на архитектуре Qwen2.5, разработанная prithivMLmods и дообученная на базе Qwen/Qwen2.5-14B-Instruct. Модель содержит 14 млрд параметров, принимает текст и предназначена для диалогов, генерации ответов и решения задач, требующих рассуждений в несколько шагов. Метаданные указывают контекст до 131 072 токенов; README также заявляет генерацию ответов длиной до 8 тысяч токенов. Модель ориентирована на следование инструкциям, математические задачи, программирование, анализ таблиц и создание структурированных ответов, в том числе JSON. Карточка заявляет поддержку более 29 языков, включая русский и английский; качество может различаться между языками. Модель не имеет доступа к актуальным событиям, а длинные ответы могут содержать ошибки или терять связность. Для запуска требуются значительные вычислительные ресурсы, особенно при работе с длинным контекстом. Распространяется по лицензии Apache-2.0.

calme-2.3-qwen2-72b — языковая модель MaziyarPanahi, дообученная на базе Qwen2-72B-Instruct для генерации текста в формате диалога ChatML. Модель содержит 71,5 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 131 072 токенов. Для запуска предусмотрена библиотека Transformers, веса представлены в формате safetensors. Модель подходит для диалоговых помощников и чат-ботов, ответов на вопросы, суммаризации и создания текстов, генерации и анализа кода, а также решения задач и поддержки принятия решений. В README приведены результаты нескольких бенчмарков, в том числе GSM8K, ARC Challenge и TruthfulQA. Карточка указывает английский язык; других языков явно не заявлено. Лицензия обозначена как other, конкретные условия использования следует сверить с лицензией репозитория. Как и другие крупные языковые модели, она может выдавать неточные или предвзятые ответы; для важных решений рекомендуется проверка человеком.

Claude Fable 5 — модель класса Mythos от Anthropic, предназначенная для автономной интеллектуальной работы и задач программирования. Она принимает текст, изображения и файлы, а выдаёт текст; также заявлена поддержка рассуждений. Модель подходит для сценариев, где нужно анализировать предоставленные материалы и выполнять задачи по коду. Метаданные каталога относят её к задаче image-text-to-text. Данных о размере, контексте, языках и лицензии в предоставленных источниках нет.

bartowski/codegeex4-all-9b-GGUF — это набор GGUF-квантизаций модели CodeGeeX4-ALL-9B, разработанной THUDM. Модель предназначена для генерации текста и, судя по названию и исходной модели, ориентирована прежде всего на работу с программным кодом и связанными текстовыми задачами. В README явно указана поддержка китайского и английского языков. Модель содержит около 9 млрд параметров в исходном варианте и подготовлена для запуска через llama.cpp. Доступны варианты квантизации от Q8_0 до IQ2_XS с размером файлов примерно от 3,61 до 9,99 ГБ. Более высокие разрядности обеспечивают лучшее качество, тогда как низкоразрядные варианты требуют меньше оперативной памяти, но могут заметно уступать по качеству. Для работы используется специальный формат промпта с маркерами системного, пользовательского и ассистентского сообщений. Размер контекста, дополнительные модальности и точная архитектура в README не указаны. К сильным сторонам относятся широкий выбор квантизаций, возможность локального запуска через llama.cpp и наличие вариантов с высоким качеством, включая Q6_K и Q6_K_L. Ограничения связаны с потерями качества при низкой разрядности, а также с отсутствием в предоставленных данных подробных результатов тестирования, характеристик контекстного окна и описания ограничений исходной модели. Лицензия указана как специальная CodeGeeX4; подробные условия следует уточнять в файле LICENSE исходной модели THUDM/codegeex4-all-9b.

Salesforce CodeGen-NL 16B — авт autoregressive-языковая модель для генерации программного кода по запросам на естественном языке и продолжения частично написанного кода. Модель содержит 16 млрд параметров, использует архитектуру CodeGenForCausalLM и доступна в формате PyTorch; базовая длина контекста — 2048 токенов. Вариант NL предварительно обучен на корпусе The Pile, включающем данные с кодом. Модель предназначена прежде всего для синтеза программ: она генерирует исполняемый код по англоязычным подсказкам, оформленным как комментарии, а также может дополнять фрагменты кода. Разработчик оценивал модели семейства на HumanEval и MTPB. Для применения нужны значительные вычислительные ресурсы из-за размера 16B; точность и безопасность результатов следует проверять. Лицензия — BSD-3-Clause; выпуск заявлен для исследовательских целей.

CodeLlama-13B-MORepair — модель для автоматического исправления программного кода, созданная дообучением CodeLlama-13b-Instruct по методике MOREPAIR. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров и контекстом до 16 384 токенов; веса опубликованы в формате safetensors. Модель принимает код с ошибками и генерирует исправленный вариант, а также может сопровождать его пояснением логики исправления. Она обучалась на 1 535 парах ошибочного и исправленного кода из TutorLLMCode; в карточке особо отмечены сценарии для C++ и Java. Для дообучения применялась QLoRA с изменением 1,84% параметров и метод NEFTune. Модель основана на CodeLlama-13b-Instruct от Meta и распространяется по лицензии Llama 2 Community License. Результаты и качество зависят от языка и типа ошибки; кроме C++ и Java, обобщение на другие языки заявлено лишь как вероятное.

OpenAssistant/codellama-13b-oasst-sft-v10 — англоязычная причинная языковая модель семейства CodeLlama, дообученная командой Open-Assistant на базе Meta CodeLlama. Это плотный decoder-only трансформер с 12,9 млрд параметров и контекстом до 16 384 токенов; веса опубликованы в формате safetensors. Модель обучалась на диалоговых данных OpenAssistant и наборах Orca, а для общения использует шаблон ChatML. Модель предназначена для генерации продолжений и ответов в диалоге, в том числе для сценариев, связанных с кодом. В README указано, что обучение частично использовало системные сообщения Orca; для корректной загрузки требуется актуальная версия Transformers либо trust_remote_code=True из-за изменения RoPE Theta. Лицензия — Llama 2 Community License Agreement. Проверки описаны только для английского языка. Ответы могут быть неточными, предвзятыми или нежелательными, поэтому перед внедрением модель следует оценить и настроить с учётом конкретного применения.

Naman Agnihotri разработал эту модель как дообученный кросс-энкодер MiniLM-L6 для переранжирования фрагментов кода Python по запросам на естественном языке. Она сопоставляет вопрос с каждым кандидатом и выдаёт оценку релевантности, поэтому подходит для поиска кода и ранжирования результатов в системах информационного поиска и RAG. Модель основана на cross-encoder/ms-marco-MiniLM-L-6-v2 и дообучена на парах вопросов и фрагментов кода StaQC SCA из Stack Overflow. В репозитории указаны 25,9 млн параметров, контекст до 512 токенов и формат safetensors; для работы предусмотрена библиотека sentence-transformers. Автор приводит оценку MRR 0,938 и точность первого результата 0,910 на 500 кандидатах из Conala. Модель рассчитана на запросы о Python и код, близкий к примерам Stack Overflow. Она может хуже работать с другими языками программирования, кодом из иных предметных областей и сложными запросами; малый размер может ограничивать качество по сравнению с более крупными переранжировщиками. Лицензия — Apache-2.0.

ClaudioItaly/CoderQ — языковая модель для генерации кода и диалогового взаимодействия, опубликованная пользователем ClaudioItaly. Репозиторий описывает её как слияние моделей методом TIES через mergekit на базе Qwen/Qwen2.5-Coder-7B-Instruct; в конфигурации трижды указана одна и та же базовая модель. Архитектура — плотная Qwen2ForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель принимает текстовые запросы и генерирует текст, включая код; репозиторий использует формат safetensors и библиотеку Transformers. Модель подходит для генерации и исправления кода, а также для ответов на инструкции в чате. Карточка не описывает отдельные тесты качества или специализированные области применения. Условия лицензии в предоставленных данных не приведены.

Codestral-22B-v0.1-4bit — это 4-битная версия модели Codestral-22B-v0.1, преобразованная сообществом mlx-community в формат MLX из bullerwins/Codestral-22B-v0.1-hf с использованием mlx-lm 0.14.0. README не указывает исходного разработчика модели; по названию и тегам она ориентирована на работу с программным кодом. Модель предназначена для задач генерации и обработки кода в приложениях, использующих экосистему MLX, включая локальный запуск через библиотеку mlx-lm. Известные характеристики — размер 22 млрд параметров, 4-битное квантование и формат MLX. В README указано только назначение для кода; сведения об архитектуре, поддерживаемых естественных языках, контекстном окне и мультимодальности отсутствуют. К сильным сторонам относятся адаптация для MLX и уменьшенная разрядность, что может снизить требования к памяти при локальном запуске. Ограничения, включая возможные потери качества из-за 4-битного квантования, производительность и совместимость с конкретным оборудованием, в README не описаны. Модель распространяется по лицензии MNPL-0.1; подробные условия доступны по ссылке, указанной в карточке.

CodeTrans — модель семейства T5, разработанная Ahmed Elnaggar и Wei Ding для автоматической генерации документации к функциям и методам JavaScript. Она принимает исходный код и формулирует его описание; лучше всего работает с токенизированными функциями, хотя может обрабатывать и нетокенизированный код. Модель также можно дообучать для других задач с JavaScript. Карточка описывает transfer-learning предварительное обучение на семи неразмеченных наборах данных из области разработки ПО, а затем дообучение на задаче генерации документации для JavaScript. Архитектура — encoder-decoder T5; в метаданных указаны 38,5 млн параметров и контекст 512 токенов. Карточка приводит другие значения размера и контекста для этапа обучения, поэтому эти сведения могут относиться к конфигурации обучения, а не к опубликованному чекпойнту. Модель специализируется на JavaScript и выдаёт текстовые описания кода. В карточке приведены оценки BLEU на наборе задач генерации документации, включая результат для JavaScript, но универсальные гарантии качества не заявлены. Лицензия в предоставленных данных не указана.

Code-Writer-V2-Obliterated-BF16 — модель на базе Qwen3.5, опубликованная groxaxo. Согласно README, это результат слияния базовой модели llmfan46/Qwen3.5-27B-Writer-V2-uncensored-heretic с LoRA-адаптером для программирования; веса сохранены в BF16 без квантизации. Метаданные указывают архитектуру Qwen3.5 с плотной моделью типа Qwen3_5ForConditionalGeneration и формат safetensors. В README заявлен размер 27 млрд параметров и контекст до 200 000 токенов; эти значения не подтверждены метаданными. Модель предназначена для генерации кода и творческих текстов, а также для работы с длинными запросами, например с крупными фрагментами кодовой базы или рукописями. Метаданные классифицируют её как text-generation и отмечают поддержку чата и кода. README описывает визуальный модуль, но указывает, что обработка изображений не проверена; поэтому основное подтверждённое назначение — текстовое. Естественный язык в метаданных карточки — английский. Модель выпущена по лицензии Apache-2.0. Возможны неточные или неподходящие ответы; результаты кода и текста следует проверять. Визуальные сценарии требуют отдельной проверки совместимости и качества.

Cogito v1 preview 3B — инструктивно дообученная языковая модель от Deep Cogito на архитектуре Llama 3.2 3B. Она генерирует текст и поддерживает диалоги: может отвечать напрямую или сначала выполнять внутренний этап рассуждения. Веса представлены в формате safetensors, модель рассчитана на контекст до 131 072 токенов. Модель предназначена для программирования, задач STEM, следования инструкциям и общих ассистентских сценариев. README заявляет поддержку более 30 языков, а также вызов инструментов в обычном и расширенном режимах рассуждения. Для режима расширенного рассуждения предлагаются отдельная системная инструкция или параметр шаблона чата; для Cogito 3B рекомендован repetition_penalty 1.1. Модель выпущена по лицензии Llama 3.2, обозначенной в метаданных как llama3.2; README указывает на возможность коммерческого использования. Заявленные в карточке сравнительные преимущества основаны на бенчмарках разработчика и не гарантируют качество на конкретных задачах.

Denilah/CoMA-7B — дообученная языковая модель для генерации кода и выполнения инструкций. По карточке, модель обучена в июне 2023 года на наборе из 77 тысяч примеров для восьми задач. В метаданных указаны архитектура Llama с плотной causal language model, 6,6 млрд параметров, контекст до 16 384 токенов и формат PyTorch. Модель предназначена для генерации кода и выполнения разнообразных инструкций. Данных недостаточно, чтобы перечислить все восемь задач или указать конкретные языки программирования и естественные языки. Лицензия в предоставленных источниках не указана.